基于全卷积神经网络的图像去雾算法

针对雾天环境下采集的图像对比度降低，饱和度下降以及色彩偏移问题，提出了一种基于全卷积神经网络的图像去雾算法。首先，提出的三个尺度的全卷积神经网络用来学习雾天图像与介质传输图之间的映射关系，逐步生成精细的介质传输图；其次，通过雾天图像引导滤波优化预测的介质传输图，使得图像边缘信息更加平滑；最后，根据暗原色先验理论估计大气光的值，通过大气散射模型恢复出无雾图像。该方法获得的无雾图像不但未造成图像中有用信息的损失，并且恢复的图像色彩自然。实验结果表明，该去雾算法在自然雾天图像和利用Middlebury Stereo Datasets合成的雾天图像上均优于其他对比算法，恢复的图像具有更好的对比度与清晰度。     

单幅图像的去雾新算法

提出了一种基于单幅图像的去雾新算法.首先把图像归一化后从RGB彩色空间转换到HSI彩色空间,对色调分量运用四叉树分割法进行分割图像|分割后图像的每一局部小方块可以认为具有相同的场景深度,从而可以对每一局部小方块估计出空气光.然后再对亮度分量运用雾天图像光学模型,从雾的物理特性上去除雾对图像的影响.最后再对图像的饱和度分量进行校正,得到复原后的图像.该算法的主要优点是速度快,且不仅可以应用于彩色图像,也可以适用于灰度图像.通过该算法与其它几种算法的实验结果进行分析和比较,表明该算法能有效恢复出清晰图像.     

基于边窗盒子滤波和透射率修正的图像去雾

针对雾线先验去雾算法存在的颜色过饱和现象、图像初始透射率估算不准确等问题,提出了一种基于边窗盒子滤波和透射率修正的图像去雾算法。为了解决初始透射率估算不准确带来的边缘细节信息丢失的问题,首先利用非局部总广义变分（TGV）正则化的方法估算初始透射率,并将二阶的非局部总广义变分（TGV）正则器来作为正则项,以确保对由图像颜色和深度之间的噪声和歧义引起的异常值具有鲁棒性。随后利用边窗滤波算法对初始透射率进行优化,从而实现对图像中纹理信息和边缘信息的保留。最后利用大气散射模型和多角度优化后的透射率复原出无雾的原始图像。实现结果表明,本文算法能够解决图像颜色过饱和与边缘处的细节纹理信息丢失的问题,且无色调偏移和光晕效应。在定性评估上,复原后的图像视觉效果好;在定量评估上,本文算法的去雾后图像的评价指标皆高于基于雾线先验算法。     

单幅图像的去雾新算法

提出了一种基于单幅图像的去雾新算法.首先把图像归一化后从RGB彩色空间转换到HSI彩色空间,对色调分量运用四叉树分割法进行分割图像;分割后图像的每一局部小方块可以认为具有相同的场景深度,从而可以对每一局部小方块估计出空气光.然后再对亮度分量运用雾天图像光学模型,从雾的物理特性上去除雾对图像的影响.最后再对图像的饱和度分量进行校正,得到复原后的图像.该算法的主要优点是速度快,且不仅可以应用于彩色图像,也可以适用于灰度图像.通过该算法与其它几种算法的实验结果进行分析和比较,表明该算法能有效恢复出清晰图像.     

基于条件生成对抗网络的图像去雾算法

为了提高雾天图像的去雾效果,提出了一种基于条件生成对抗网络的图像去雾算法.通过端到端可训练的神经网络对合成的室内和室外数据集进行训练,为了捕捉图像中更多的有用信息,在生成网络中设计了生成器和判别器架构,利用预训练的视觉几何组特征模型和L_1-正则化梯度对损失函数进行修正,并在判别器的最后一层引入Sigmoid函数用于特征映射,以便进行概率分析可归一化.利用合成数据集对损失函数进行训练,得到新的损失函数的参数,然后利用室外自然有雾图像数据集对训练得到的新的损失函数进行测试.实验结果表明:所提算法有效解决了去雾图像的颜色失真、过饱和、视觉伪像等问题,生成效果更好的去雾图像.     

通道注意网络和模糊划分熵图割的图像去雾

针对雾图成像时变化的场景光及去雾过程中不同雾相关信息在处理上的差异性,提出了通道注意网络和模糊划分熵图割的单幅图像去雾算法。以考虑变化场景光的大气散射物理成像模型为基础,首先使用通道注意的编码解码网络来估计透射率,并在编码器最后及解码器起始处添加通道注意模块,以便为编码器提取的不同雾相关特征图分配不同的权重,准确地计算透射率;然后利用所提出的模糊划分熵图割算法将透射率划分为不同场景光覆盖下的近景、中景、远景,此分割策略将考虑空间相关性的图割算法与模糊划分熵的阈值分割算法相结合,解决了单一阈值分割算法产生的区域误分问题;最后估计场景光和大气光,得到去雾图像。实验结果表明,算法在合成雾图及真实雾图上均有较好的去雾效果。与已有的去雾算法相比,本文算法在峰值信噪比及结构相似性上均有提升,单张图像的平均处理时间为3.9 s。     

一种快速暗通道去雾算法

基于暗通道的去雾算法计算初始透射率需要进行大量的数据比较,优化透射率时需要计算融合矩阵,这两个过程耗时巨大,使其难以投入实际应用。针对这一问题,提出了一种快速暗通道去雾方法。首先利用分区最小表的数据结构,提高初始透射率的计算速度;接着,在优化透射率时,采用基于形态学梯度的彩色图像边缘检测算法提取图像边缘信息,减少优化范围,再利用边缘信息与像素的空间信息优化透射率,避免计算复杂矩阵,从而加快了优化速度;最后,运用最小可觉差模型补偿前两个步骤导致的图像画质下降,提高图像清晰度。实验证明,快速暗通道去雾算法在保持恢复图像效果基本不变的基础上,很大程度提高了算法速度。     

FPGA实时图像去雾系统

针对传统的PC平台去雾处理时间长、系统不便移植、平台不宜便携等问题,提出了一种基于FPGA平台的图像去雾系统。系统的开发包含了算法移植部分和硬件平台实现部分,其中去雾算法是基于雾天成像物理模型提出的。针对FPGA平台的特点和限制对原算法进行了修改,使其适合FPGA平台的结构。将修改后的算法使用Verilog HDL语言实现于FPGA平台。实验结果表明,算法在保证云雾图像去除质量的前提下,具有运行速度快,可移植性好,便携等优点,能够满足工程项目的实用要求。     

基于对偶学习的图像去雾网络

针对光学成像设备在雾天搜集到的图像存在的降质问题,提出了一种基于对偶学习的从源域到目标域转换的对偶去雾网络以实现图像去雾功能。网络首先采用对偶生成对抗网络直接学习有雾图像与无雾图像之间的双向映射关系,并将有雾到无雾图像的映射作为初步的去雾结果,随后采用预训练模型在特征空间计算去雾图像与真实无雾图像的特征向量,运用欧式距离作为损失函数最小化特征向量之间的距离,以保证去雾图像在特征层面与真实无雾图像接近。实验结果表明,对偶去雾网络得到的去雾结果具有较高的峰值信噪比和较低的色差值,并能够有效保留图像的结构信息。     

基于中智学的非局部先验图像去雾算法北大核心CSCD

图像去雾是计算机视觉的重要研究方向之一。传统图像去雾算法存在去雾不彻底、去雾图像对比度低、halo效应、色彩失真等问题。针对上述问题,提出了一种改进的非局部先验的图像去雾算法。该算法使用基于中智学的模糊C均值聚类算法和一种混合暗通道先验的透射率优化方法,改进了传统非局部先验的图像去雾算法在大气光估计、雾线定位和透射率优化过程中存在的问题。结果表明,与几种常用的图像去雾算法相比,提出的算法在去雾图像的大气光估计、客观分析和主观分析等方面均有一定的优势。     

一种自适应的多级透射率估计去雾算法

针对暗通道先验算法在天空区域透射率估计不准确的问题,利用三个不同尺度的高斯函数分别作用于有雾图像的RGB通道来获得"伪"去雾图像;其次,利用有雾图像的混合通道得到自适应参数,将该参数和最小值滤波共同作用于"伪"去雾图像,接着用联合双边滤波消除纹理效应得到透射率的精确估计;最后,采用局部大气光估计方法,结合大气散射模型复原出无雾图像.实验结果表明,该方法不仅降低了时间复杂度,且复原出的图像细节明显,明亮度适宜,对于大面积天空区域有良好的去雾效果,改善了天空区域的颜色失真.     

基于暗通道先验的无人机图像去雾算法研究

对于单幅图像去雾处理,暗通道先验算法具有较好的效果,但该算法处理时间长,对储存资源与计算资源要求很高,很难应用于无人机图像去雾。在暗通道先验算法的基础上进行改进,提出了一种快速的去雾算法,首先通过优化滤波器直接获得高精度的透射率,避免了原算法后续的抠图处理,显著降低了计算复杂度;然后针对去雾图像偏暗、灰度分布偏离原始图像的情况,以原始图为参考,采用直方图规定化方法进行增强处理,提高了亮度,改善了去雾图像的视觉效果,与He算法相比,该算法不仅极大地降低了计算复杂度,速度提高了近5倍,而且保持了原始算法的去雾能力。     

一种偏振普适性多尺度实时的图像去雾算法

针对现有偏振算法依赖于"天空区域"估计大气参数,从而受白色目标或高亮区域干扰的不足之处,提出了一种图像普适性多尺度偏振去雾方法.研究偏振差分图像四叉树空间索引和图像暗通道先验方法,突破估计模型参数利用天空的局限性,重建场景深度,结合大气散射模型复原低频无雾图像;同时针对目标复原过程中噪声遗留问题,研究软阈值去噪算法,结合低频信息重构的透射率,以梯度增强方式丰富纹理细节,最后小波重构出清晰图像.实验结果表明,该算法有效消除了估计大气参数受制于天空区域的局限性,抑制噪声的影响,复原的目标更加清晰,细节方面更为丰富,算法运行效率方面有较大提高.     

基于融合与高斯加权暗通道的单幅图像去雾算法

针对图像去雾算法在景深突变处出现光晕现象和远景区域去雾不足的问题,提出了一种基于融合与高斯加权暗通道的单幅图像去雾算法.利用图像形态学梯度的特点,将形态学梯度图像与暗通道图像线性融合获取融合暗通道,构造自适应的高斯权重参数对融合的暗通道图像逐像素处理获取粗透射率,在使用L1正则化优化透射率,通过大气散射模型与修复的大气光值恢复无雾图像.仿真实验表明,本文算法可以较好地恢复出图像的细节并抑制光晕现象,与几种典型的图像去雾算法客观对比,证实了本文算法的可行性.     

基于多尺度并行残差网络的图像去雾算法北大核心CSCD

雾降低了图像的清晰程度和细节信息,从而对后续视觉信息处理的影响是一个具有挑战性的问题。现有的图像去雾算法虽能去除雾度,但对处理户外浓雾场景的效果较差。为了突破现有去雾算法的局限性,结合大气散射物理模型,提出了一种端到端的多尺度并行融合去雾网络。采用多尺度卷积从整体到局部提取不同尺度的特征,并对这些特征进行多次并行融合;通过引入残差模块对细节特征进行深入学习,可以恢复出更多的图像细节。实验结果和数据分析表明,提出的方法在合成图像和真实图像上都能表现出良好的去雾性能,PSNR和SSIM指标平均同比提升3%。     

一种改进的图像快速去雾新方法

为提高雾霭天降质图像的清晰度和色彩保真度,基于暗原色先验提出了一种改进的图像快速去雾方法.针对原方法运算时间过长的问题,在保证去雾效果的前提下,利用快速双边滤波方法代替软件抠图修复透过率图,大幅度地降低了计算量和复杂度,处理时间仅为原方法的5％,满足了一般工程上的实时性要求.针对去雾处理后的图像亮度降低、颜色较实际场景偏暗的问题,提出了一种简单有效的图像对比度和亮度增强的方法,自适应地增强了图像的亮度,并对局部由于雾浓度过高而造成不清晰的区域,进行了对比度修正.结果表明,该方法能够快速有效地复原出雾天场景的对比度和真实色彩,在一定程度上保证了户外成像系统在恶劣天气下工作的稳定性和可靠性.